本研究提出了一种基于多视图图像的方法，用于识别三维场景的对象形状和布局，通过在大型数据集上的实验，证明该方法可扩展应用于现实图像，并与依赖三维信息的方法相比，表现得更好。

Jun, 2022

本文提出一种从 2D 图像中学习生成 3D 结构的深度生成模型，并通过概率推断从 3D 和 2D 图像中恢复这些结构，从而实现了第一个纯无监督学习下学习推断 3D 表示的方法，并在几个数据集上建立了基准模型。

Jul, 2016

该论文提出了一种从单个全景图像中恢复室内场景的三维布局恢复新方法，该方法结合几何推理和深度学习技术，从而提取结构角并生成房间的布局模型，并在 SUN360 和 Stanford 公共数据集上进行实验。

Jun, 2018

提出了一种深度学习技术，用于从单个图像进行三维物体重建。与以往的方法不同的是，该方法使用只有单一视角的图像进行训练，并具有自我监督学习能力，可实现与使用更多监督信息的方法相媲美的性能。该方法还可以进行测试时间优化。

May, 2020

本文在单目图像 3D 形状重建领域引入了组合通用性的概念，并提出了一个新的框架来 better generalize 到那些有着非常不同的形状几何分布的看不见的目标类别。实验证明，我们的方法在 PartNet 中达到了比最先进的方法更高的性能，验证了我们的问题分解和网络设计的有效性。

Dec, 2020

本文提出使用卷积神经网络和编码器 - 解码器神经网络从单张彩色图像中直接回归 3D 人体网格，利用高效的 3D 人体形状和姿势表示方法，在 Human3.6M、SURREAL 和 UP-3D 等多个 3D 人体数据集上实现了最新性能。

Mar, 2019

该论文提出了一种名为 Shape-Net 的方法，通过将 2D 全景和 3D 信息提供给模型，引入 3D IoU 损失来解决遮挡问题，同时通过从同时利用图像和 3D 信息训练的模型中提取知识来解决实际情况下缺乏建筑图纸的问题。该模型是基于现有模型进行改良，实现了对房间布局的精确估算，同时能够有效处理具有遮挡的情况。

Apr, 2023

该研究使用卷积神经网络训练能够从单个图像预测出物体的 3D 形状和相机姿态的模型，并通过一组 pose 预测器进行姿势模糊处理，并利用可微分 3D 点云投影技术来获取高保真度的形状模型。

Oct, 2018

本文提出了一种基于数据驱动的方法解释室内场景，并利用 CAD 3D 模型表示场景中的物体和墙壁布局，最终在 NYU 数据集上呈现了令人鼓舞的结果。

Apr, 2015

本文提出了一种自我监督的方法（LPD）来发现只有 2D 图像的物体的三维部件，并使用新的部件形状先验学习足够简单而又能忠实地匹配物体形状的部件，这种方法在实验中表现良好，比现有方法具有更好的重构精度。

Jul, 2021